六、 實驗結果
6.2 用智慧型多目標基因演算法取得最佳解集合
6.2 的實驗是將最佳化演算法由 IGA 置換成 Intelligent
Mul-ti-Objective Genetic Algorithm (IMOGA) 同時對 fG與 fE作最佳化，由 於兩者存在互相衝突的特性勢必會呈現 Pareto Front 的曲線存在，而 IMOGA 的目的即是將這曲線上的最佳解集合求出並呈現
Pareto-front。
根據 IMOGA 中 GPSIFF 的特性是不受到多項目標函數尺度差異而 求出 Pareto Front，可用來解決上述所提出之問題：目標函數尺度不同 之問題。
在我們的問題中兩項目標函數皆是求最小化，所以我們所得之 曲線皆呈現向下凹陷的趨勢。由於 IMOGA 作出之 Pareto Front 範圍太 廣超出我們所需要的部分，故有關 Pareto Front 之實驗圖我們只取 fE ≤ 0.02 的範圍作圖。
6.2.1 實驗模擬無雜訊之數據
圖 29 為此實驗之結果，共有 96 個點。因為 IMOGA 在搜尋能力 上並沒有像 IGA 針對單一方向之最佳解作深度搜索，所以相較之下所 形成的 Pareto Front 就有可能被 IGA 所突破，但理論上若演化代數目 設定夠長的時間，則 IMOGA 就可能搜尋出 IGA 的解。圖 30 是 IMOGA 與 IGA 兩相比較以證實結果，IGA 比之 IMOGA 在單一方向搜尋具有 非常優異的能力。
圖 29 IMOGA 對模擬實驗數據之結果
圖 30 IMOGA 與 IGA 比較圖
由於 IGA 只對單一目標作搜尋而將準確度提升，我們可從實驗 結果證實。但是對於需要同時考量兩項目標函數而使用權重值的方法，
是不能適宜地解決兩者尺度不同的問題，我們已在實驗 6.1.4 提出證明。
而 IMOGA 所搜尋出的解不像 IGA 能在深度上能作更有效搜尋，但卻 能提供同時考量兩項目標所組合出的最佳解。
相對於 Vinnakota[44]解，IMOGA 證實能有效的提升準確率並 同時考量熱力學的要求，在建模所用之參數 Vinnakota[44]解不能有效 建出貼近真實之實驗結果。
6.2.2 實驗模擬有雜訊之數據
在圖 31 和圖 32 的結果顯示在有雜訊的狀況下，IMOGA 在 fE方面 所能下降的程度有限，情況如同有雜訊之 IGA 一樣。圖 33 中我們將 IMOGA 與 IGA 之結果結合，圖上顯示 IGA 的大多數實驗會聚集在 IMOGA 的 Pareto Front 的延伸線之上。但從實驗 6.1.5 中及其統計結 果，只有考量準確度為目標將使得另一目標的變異數變大，而改用 IMOGA 就可從 Pareto 解集之中提供一組雙目標兼具考量之參數。
圖 31 IMOGA 對具雜訊之模擬數據結果-實驗組 1
圖 32 IMOGA 對具雜訊之模擬實驗數據圖-實驗組 2
圖 33 當雜訊存在，IGA 與 IMOGA 之比較圖
6.2.3 實驗中使用真實實驗數據
最後我們 IMOGA 針對真實實驗數據作最佳化，結果即為圖 34。
所比較之K 為 Vinnakota[44]所提供參數的結果確實顯示著被 IMOGA
的解所支配，效能雖不像之前實驗結果具有非常明顯之距離，但實際 上依然能比 Vinnakota 解提升 9.20%的準確率，而系統總能量所下降的 幅度更是明顯差距有 10 倍之多，系統總能量的下降幅度可看圖 35。
另外我們還可能圖 34 上看到當將 Pareto Front 自 fE = 0.0275 分成 兩段時，fE > 0.0275 的部分斜率遠比 fE < 0.0275 之部分陡峭。顯示出 一但 fG < -26.4 之後，對於模型之誤差就會急速上升，而若取這部分的 解之建模時 G 會出現與 Vinnakota[44]完全不同的圖形，其系統總能量 之最低點會隨著時間不斷下降，而且濃度變化圖將會完全不同。因為 系統總能量是跟量有關的一個系統上之特性(extensive)，當直接搜尋能 量最低點所存在之參數解的結果即是反應物之消耗量大量減少，系統 總自由能自然會呈現大幅下降的現象，但這樣的結果是忽略生物系統 體內生理平衡機制的結果，所以在考慮能量最低點時可能會有一個可 信賴的判斷值存在，而本實驗裡 fG = -26.4KJ 應是代表此一物理量的數 值。
圖 34 IMOGA 對真實實驗數據圖